Ανάλυση συναλλαγών Ethereum για εντοπισμό ανωμαλιών

Abstract

‬ ‭ Το παρόν έγγραφο εξετάζει την ανάλυση των συναλλαγών της αλυσίδας μπλοκ Ethereum για‬ ‭ την αποκάλυψη ανωμαλιών με τη χρήση προηγμένων τεχνικών μηχανικής μάθησης. Στόχος‬ ‭ είναι να εντοπιστούν ασυνήθιστα μοτίβα που μπορεί να σηματοδοτούν υποτες δραστηριότητες ή‬ ‭ παρατυπίες εντός των δεδομένων συναλλαγών. Μέσω του λεπτομερούς feature engineering και‬ ‭ της διερευνητικής ανάλυσης δεδομένων (EDA), η μελέτη αποκαλύπτει σημαντικές πληροφορίες‬ ‭ για τη συμπεριφορά των συναλλαγών. Τρεις αλγόριθμοι -BSCAN, Isolation Forest και K-Nearest‬ ‭ Neighbors (KNN)- αξιολογήθηκαν για την ανίχνευση ανωμαλιών. Μεταξύ αυτών, ο KNN‬ ‭ αναδείχθηκε ως ο πιο αξιόπιστος, προσφέροντας ισχυρές μετρήσεις ακρίβειας και ανάκλησης.‬ ‭ Τα ευρήματα αυτά ανοίγουν το δρόμο για ενισχυμένη ασφάλεια blockchain και πιο αξιόπιστα‬ ‭ δίκτυα συναλλαγών.‬ ‭